Importancia y usos de data science e inteligencia artificial

1

Oportunidades laborales en Data Science e inteligencia artificial

2

Glosario para entender el mundo de Data Science e inteligencia artificial

3

¿Qué es Data Science?

4

¿Qué es inteligencia artificial? ¿Cuál es su diferencia con Data Science?

5

¿Qué es Big Data? ¿Cuál es su diferencia con Data Science?

6

¿Qué NO es Data Science? ¿Por qué aprenderla?

7

Áreas de aplicación de Data Science e inteligencia artificial

8

Roles en la industria: cómo funcionan los equipos de datos e inteligencia artificial

Quiz: Importancia y usos de data science e inteligencia artificial

Data Analyst

9

¿Qué hace una Data Analyst?

10

Herramientas y tecnologías para Data Analysts

11

La experiencia de un Data Analyst: entrevista a Demian Arenas

Quiz: Data Analyst

Data Scientist

12

¿Qué hace una Data Scientist?

13

Herramientas y tecnologías para Data Scientists

14

La experiencia de una Data Scientist: entrevista a Nazly Santos

Quiz: Data Scientist

Data Engineer

15

¿Qué hace una Data Engineer?

16

Herramientas y tecnologías para Data Engineers

17

La experiencia de un Data Engineer: entrevista a Alexis Araujo

Quiz: Data Engineer

Machine Learning Engineer

18

¿Qué hace una Machine Learning Engineer?

19

Herramientas y tecnologías para Machine Learning Engineers

20

La experiencia de un Machine Learning Engineer: entrevista a Gerson Perdomo

Quiz: Machine Learning Engineer

Ser profesional en el mundo de los datos e IA

21

Soft skills para Data Science

22

¡En sus marcas, listos, fuera!

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

¿Qué hace una Data Scientist?

12/22
Recursos

¿Qué hace una Data Scientist?

Generalmente, este rol se encarga de tomar datos de diversas fuentes y analizarlos para encontrar información valiosa para el negocio, como también para diseñar modelos de Machine Learning, con el objetivo de tomar mejores decisiones dentro de la organización e incorporar los datos al producto.

Una mano humana tocando otra mano pero hecha de luz.

Día a día de una Data Scientist

Dentro de la rutina diaria de una Data Scientist, nos encontramos con:

  • Extraer, limpiar y analizar los datos de diversas fuentes.
  • Diseñar y utilizar modelos de Machine Learning.
  • Monitorear la precisión de los datos, para una mejor calidad y confiabilidad.
  • Automatizar procesos de recolección y transformación de datos para hacer todo mucho más ágil.
  • Crear reportes de información en tableros.
  • Implementar modelos al de Machine Learning al producto.
  • Incorporar datos a los productos.

Diferencia entre Data Scientist y Data Analyst

Estos roles se parecen mucho, pero tienen ciertas diferencias, como por ejemplo Data Scientist se enfoca en analizar datos para producir distintos modelos para predecir el futuro con programación avanzada como P.O.O. (Programación Orientada a Objetos), mientras que la Data Analyst se enfoca en responder preguntas de negocio de las demás áreas por medio de análisis de datos del presente con una programación fundamental.

Conclusión

Para resumir, una Data Scientist usualmente es la encargada de dirigir el equipo de data en sus proyectos. Además de utilizar diversas herramientas para analizar el presente y predecir el futuro en la de lo posible, con el fin de encontrar información valiosa para el negocio o proyecto.

Aportes 37

Preguntas 6

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Una de las principales diferencias es que el DA mira el hoy (el presente) y el DS mira hacia adelante y proyecta tendencias futuras.

Día a día del Data Scientist:
-Obtener datos de distinstas fuentes.
-Diseñar y aplicar modelos de Machine Learning.
-Diseñar herramientas para monitorear datos.
-Automatizar procesos de recolección, limpieza y trasformación de datos.
-Incoporar datos a los productos junto con el equipo de ingenieria.

Es evidente que un Data Scientist requiere mucho más nivel que un Data Analyst, o por lo menos tiene un poco más de relación con la ingeniería para adaptar Machine Learning a sus productos 🤖

POO - Programación Orientada a Objetos
Es un paradigma de programación que trata de solucionar los problemas ocasionados en la Programación Estructurada.
Para ello, este paradigma analiza los problemas en forma de objetos, los cuales cuentan con atributos o propiedades que serán modificados en su comportamiento por los métodos.

4 elementos los compone:

  • Clases
  • Atributos o Propiedades
  • Métodos o Comportamientos
  • Objetos
    Sus 4 pilares son:
  • Abstracción
  • Encapsulamiento
  • Herencia
  • Polimorfismo

Data scientist:

Toma datos internos o externos de la empresa y los utiliza para crear servicios de machine learning esto es para tomar decisiones basadas en datos e incorporar datos en los productos de software.

Rutina:
-Obtiene datos, analiza y procesa
-Diseña y utiliza modelos de machine learning (predecir futuro)
-Automatiza procesos de recolección y transformación de datos
-Crear reportes
-Incorpora datos a los productos basados en datos

El dia a dia de un Data Science:

  • Ingesta de datos

  • Validacion de datos

  • Preparacion de datos

  • Entrenamiento del modelo

  • Monitoreo del modelo

  • Visualizacion de los reportes

  • Incorporar datos a los productos

Data Science VS Data Analyst

Un Data Analyst es la combinación entre un programador, detective y artista

la principal diferencia desde mi punto de vista radica en que el data analyst ve el presente de la organizacion mientras que el data scientist tiende a observar mas el futuro

en primera instancia uno podria pensar que se requiere mayor nivel tecnico para ser data scientist y en estricto sentido seria cierto, sin embargo no olvidemos que el data analyst es quien comunica la informacion a traves de tableros y reportes al negocio

diria que es aqui la ventaja competitiva del data analyst, la capacidad de poder entender a las demas areas de negocio y su habilidad de comunicacion para hacer ver los hallazgos encontratos en sus analisos de manera clara y objetiva para los managers o directores de la industria quienes claramente en muchos casos no son ingenieros y se les requiere explicar de manera muy digerible la informacion

en pocas palabras considero que la parte fuerte de un cientifico de datos es su habilidad tecnica y la de un data analyst seria la capacidad para pode entender el negocio desde distintos angulos (perspectiva mas amplia) y poder comunicar su informacion de manera optima

es por ello que el conocimiento del negocio y la interaccion con otras areas es una parte fundamente del data analyst ya que funge como un puente entre los datos y lo que ellos revelan y los gerentes, manager o directores que son los que tomaran las decisiones

Ambas me llaman la atención aunque para data scientist debes tener un conocimiento mucho mas profundo de ingeniería y programación

Data Analyst se enfoca en analizar el presente de la organización y el Data Scientist en proyectar el futuro con base en la información actual

Data scientist vs Data analyst

Los y las científicos de datos son organizadores de big data, recopilan y analizan grandes conjuntos de datos estructurados y no estructurados. El papel de un científico de datos combina la informática, la estadística y las matemáticas. Analizan, procesan y modelan datos y luego interpretan los resultados para crear planes prácticos para empresas y otras organizaciones.

Data

Scientist vs Analyst

Diferencia:

💻 Data SCIENTIST

Enfoque en el el Producto y el Futuro de la empresa

.
vs.

.

📋 Data ANALYST

Enfoque en el Negocio y sus necesidades del Presente

![](

Toma los datos de diversas fuentes y los utiliza para crear modelos de ML

Son los puntes y respuestas a preguntas hasta esta clase UwU

De acuerdo a los flujogramas considero que DS tiene su principal función en obtener y validar los datos que se han adquirido, entrenamiento como validación del modelo porque en sus actividades esta monitorear cómo automatizar la precisión de los datos, los procesos de recolección y transformación de los datos.

En la parte de procesamiento de datos entiendo que un DS puede empezar a usar procesos de machine learning en el analizis de datos. Seguramente en u n DS experimentado encuentra que muchos de esos calculos estadisticos resultan tener modelos matematicos similares o afines y puede crear algoritmos que se pueden reutilizar. Asi mismo en la exposicion de los resultados usando diferentes herramientas que le permitan dar una informacion veraz y acertada. En el entrenamiento, evaluacion, validacion y despliegue del modelo como en la interfaz del usuario puede trabajar junto al equipo de desarrollo. Alli es donde un Data Scientst puede desarrollar sus conocimientos

segun las imagenes del proceso de la ciencia de datos, podemos decir que las labores de un DS se observan en pasos como: Ingesta, validación y preparación de datos; entrenamiento, evaluación y validación de modelos de ML.

estas carreras son muy demandadas en el mundo actual, que bueno q ya se definieron los roles porque muchas veces uno hace de todo analiza, programa, machine learning
Siento que me atrae más ser Data Scientist en el sentido de que te reta a reinventar continuamente el negocio a partir de datos con alta probabilidad de éxito. Muy importante reforzar las debilidades en programación y comunicación. Gracias por toda esta información 🙂

Muy interesante la diferencia, me emociona aprender mas sobre esto 😄

Preparación de datos y generacion de reportes

La Data Scientist se encarga del Entrenamiento, Evaluación y Validación del Modelo. Con una visión hacia el futuro!

Ya entendi la diferencia.

Información resumida de esta clase
#EstudiantesDePlatzi

  • El Data Scientist utiliza los datos para encontrar información de valor y crear servicios de Machine Learning

  • Es importante que automaticemos los procesos de toma y transformación de datos, esto nos ahorrara mucho tiempo

DA:

  • Presente
  • Negocio
  • Programación media

DS:

  • Futuro (machine learning)
  • Producto
  • Programación avanzada

Data scientist vs. Data analyst

El día a día del DA esta en la validación y preparation de datos, ser curioso y formular preguntas que encaminen los datos a responder las mismas y presentarlas de forma visual para toma de decisiones

Segun lo que logro entender, primero va en Data Analist, luego seria el Data Scientist. De está forma su papel estaria en:

  • Prerparación de datos.
  • Entrenamiento de modelo o algoritmo.
  • Evaluación de modelo y validación del mismo.

En el proceso de la ciencia de datos estaría en todos los pasos ya que es un ciclo, pero se centraria en en centro:

  • Explorar los datos
  • Analizar los datos
  • Comunicar y visualizar resultados.

Un científico de datos maneja diferentes fuentes y debe extraer y valorar estos datos con una orientación al negocio. Esa es la clave. Traducir esa enorme cantidad de datos y expresarlos en respuestas que aporten valor para las organizaciones.

Todo esto está genial. no tenía claras las diferencias de estos dos roles. Aunque ambos se ven muy interesantes, este camino será emocionante y también divertido. Este curso esta muy cool 💚

El Data Analyst rinde resultados del presente, tiene conocimientos de visualización de datos, hace trabajo sucio matemática, estadística, analítica desarrollada.
El Data Scienstist va muchos más haya crea BD, Programa más a fondo en función a la analítica de datos, visualiza datos para proyecciones futuras,

El DS trabaja diariamente en la parte del desarrollo de modelos predictivos, supongo que utiliza más python y otros lenguajes de programación para las validaciones de sus modelos y el despliegue. Por el contrario el DA trabaja diariamente en contacto con los problemas del negocio y cómo visualizar los resultados del análisis.

Yo diría que los Data Scientist se enfocan en la parte de entrenamiento, evaluación, validación y despliegue de modelo, debido a la complejidad de sus funciones y a que están ligados a los servicios de Machine Learning.